近年來,伴隨遙感技術(shù)的飛速發(fā)展,高光譜遙感技術(shù)逐漸邁入大眾視野,一路成為領(lǐng)域內(nèi)發(fā)展前沿。同時(shí),日益成熟的成像光譜儀技術(shù),給高光譜圖像的質(zhì)量提供了有力保障。高光譜圖像中含有幾百個(gè)狹窄連續(xù)的波段,能提供豐富的空間信息和光譜信息。目前,高光譜圖像地物分類是高光譜圖像處理技術(shù)的前沿科研課題。通過對(duì)地面物質(zhì)信息的觀測(cè)可以很好地服務(wù)于國(guó)防安全、食品安全、地質(zhì)勘探、環(huán)境保護(hù)、城市建設(shè)等領(lǐng)域。同時(shí),因?yàn)楦吖庾V圖像具有數(shù)據(jù)量大、冗余度高、波段之間相關(guān)性強(qiáng)等特點(diǎn),所以很大程度上提升了分類與識(shí)別的難度。目前,高光譜圖像降維處理與分類識(shí)別已經(jīng)成為處理高光譜圖像的關(guān)鍵問題,所以對(duì)其進(jìn)行研究具有重要的理論意義和應(yīng)用價(jià)值。本文在傳統(tǒng)的高光譜圖像降維算法以及分類方法的基礎(chǔ)上,從以下兩個(gè)方面開展研究,主要研究?jī)?nèi)容如下:1.基于主成分分析法(PCA)與MKt-SNE結(jié)合的高光譜圖像降維方法。首先在保證基本信息不丟失的前提下,利用PCA算法實(shí)現(xiàn)一次降維,其次利用MKt-SNE算法(改進(jìn)的t-SNE算法)進(jìn)行二次降維,可以更好地提取高光譜圖像的本質(zhì)特征。其中,MKt-SNE算法克服了傳統(tǒng)的t-SNE算法中受高維空間樣本分布影...

【文章頁數(shù)】：71 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 高光譜圖像降維研究現(xiàn)狀
        1.2.2 高光譜圖像分類研究現(xiàn)狀
        1.2.3 研究現(xiàn)狀簡(jiǎn)析
    1.3 主要研究?jī)?nèi)容
    1.4 文章結(jié)構(gòu)安排
2 高光譜圖像降維與分類理論
    2.1 高光譜圖像降維概述
        2.1.1 特征提取
        2.1.2 波段選擇
    2.2 高光譜圖像分類概述
        2.2.1 高光譜圖像分類過程
        2.2.2 無監(jiān)督分類
        2.2.3 半監(jiān)督分類
        2.2.4 監(jiān)督分類
    2.3 實(shí)驗(yàn)數(shù)據(jù)集
        2.3.1 KSC
        2.3.2 Salinas-A
    2.4 評(píng)價(jià)方法
        2.4.1 總體分類精度
        2.4.2 平均分類精度
        2.4.3 單一分類精度
        2.4.4 Kappa系數(shù)
    2.5 本章小結(jié)
3 基于PCA與MKt-SNE結(jié)合的高光譜圖像降維方法
    3.1 基于PCA的高光譜圖像降維
    3.2 基于MKt-SNE的高光譜圖像降維
        3.2.1 t-SNE算法原理
        3.2.2 改進(jìn)的t-SNE算法MKt-SNE算法
    3.3 基于PCA與MKt-SNE結(jié)合的高光譜圖像降維方法
    3.4 仿真實(shí)驗(yàn)及結(jié)果分析
        3.4.1 實(shí)驗(yàn)環(huán)境
        3.4.2 高光譜圖像降維結(jié)果可視化的對(duì)比及分析
        3.4.3 高維數(shù)據(jù)聚類結(jié)果評(píng)價(jià)指標(biāo)
        3.4.4 高光譜圖像降維結(jié)果評(píng)價(jià)指標(biāo)的對(duì)比及分析
        3.4.5 降維運(yùn)行時(shí)間的對(duì)比及分析
    3.5 本章小結(jié)
4 融合多層特征SENet和多尺度寬殘差的高光譜圖像分類
    4.1 總體框架與流程
    4.2 基于多層特征SENet的高光譜圖像分類
        4.2.1 SENet結(jié)構(gòu)
        4.2.2 InceptionV2-Resnet網(wǎng)絡(luò)模型
        4.2.3 批規(guī)范化
        4.2.4 全局平均池化
        4.2.5 特征結(jié)合
        4.2.6 基于多層特征SENet的高光譜圖像分類
    4.3 基于多尺度寬殘差的高光譜圖像分類
        4.3.1 寬殘差網(wǎng)絡(luò)
        4.3.2 基于多尺度寬殘差的高光譜圖像分類
    4.4 集成學(xué)習(xí)
    4.5 仿真實(shí)驗(yàn)及結(jié)果分析
        4.5.1 實(shí)驗(yàn)環(huán)境
        4.5.2 數(shù)據(jù)預(yù)處理
        4.5.3 實(shí)驗(yàn)結(jié)果及分析
    4.6 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文
致謝



本文編號(hào)：3826848